Détail de l'auteur
Auteur Karim Ghariani |
Documents disponibles écrits par cet auteur (2)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesDélimitation des parcelles agricoles par classification d'images Pléiades / Nesrine Chehata in Revue Française de Photogrammétrie et de Télédétection, n° 209 (Janvier 2015)
Titre : Délimitation des parcelles agricoles par classification d'images Pléiades Type de document : Article/Communication Auteurs : Nesrine Chehata Année de publication : 2015 Conférence : Pleiades Days 2014 01/04/2014 03/04/2014 Toulouse France Article en page(s) : pp 165 - 171 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage automatique
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] image Pléiades-HR
[Termes IGN] parcelle agricole
[Termes IGN] prise en compte du contexte
[Termes IGN] segmentation d'imageRésumé : (Auteur) Les pratiques et les arrangements spatiaux des parcelles agricoles ont un fort impact sur les flux d’eau dans les paysages cultivés. Afin de surveiller les paysages à grande échelle, il y a un fort besoin de délimitation automatique ou semi-automatique des parcelles agricoles. Cet article montre la contribution des images satellitaires à très haute résolution spatiales, telles que Pléiades, pour délimiter le parcellaire agricole de manière automatique. Une approche originale utilisant une classification binaire supervisée des limites parcellaires est proposée. Une approche d’apprentissage actif est mise en oeuvre afin d’adapter le modèle de classifieur au contexte local permettant ainsi la délimitation parcellaire à grande échelle. Le classifieur des Forêts Aléatoires est utilisé pour la classification et la sélection des attributs. Le concept de marge non supervisée est utilisé comme mesure d’incertitude dans l’algorithme d’apprentissage actif. En outre, un étiquetage automatique des pixels incertains est proposé en utilisant une approche hybride combinant une approche région et le concept de marge. Des résultats satisfaisants sont obtenus sur une image Pléiades. Différentes stratégies d’apprentissage sont comparées et discutées. Pour un cas d’étude opérationnel, un modèle global ou bien un modèle simple enrichi peuvent être utilisés en fonction des données de terrain disponibles. Numéro de notice : A2015-083 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : 10.52638/rfpt.2015.220 En ligne : https://doi.org/10.52638/rfpt.2015.220 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=75447
in Revue Française de Photogrammétrie et de Télédétection > n° 209 (Janvier 2015) . - pp 165 - 171[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 018-2014021 RAB Revue Centre de documentation En réserve L003 Disponible Documents numériques
en open access
delimitation parcelles agricolesAdobe Acrobat PDF
Titre : Agricultural field delimitation using active learning and random forests margin Type de document : Article/Communication Auteurs : Karim Ghariani, Auteur ; Nesrine Chehata Editeur : New York : Institute of Electrical and Electronics Engineers IEEE Année de publication : 2014 Conférence : IGARSS 2014, International Geoscience And Remote Sensing Symposium 13/07/2014 18/07/2014 Québec Québec - Canada Proceedings IEEE Importance : pp 1717 - 1720 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage automatique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] délimitation
[Termes IGN] image Geoeye
[Termes IGN] surface cultivéeRésumé : (auteur) Agricultural practices and spatial arrangements of fields have a strong impact on water flows in cultivated landscapes. In order to monitor landscapes at a large scale, there is a strong need for automatic or semi-automatic field delineation. Field measurements for delineating parcel network are not efficient, thus very high resolution satellite imagery should help delineating agricultural fields in a automatic way. This study focuses on agricultural field delineation based on the classification of very high resolution satellite imagery. A hybrid approach is proposed and combines a region-based approach and active learning (AL) techniques. Random forest (RF) classifier is used for classification and feature selection. The margin concept is used as uncertainty measure in active learning algorithm. Satisfying results are shown on a Geoeye image. AL RF model is compared to simple and global RF models that are built from adjacent and geographically distant fields respectively. Numéro de notice : C2014-029 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/IGARSS.2014.6946782 En ligne : http://dx.doi.org/10.1109/IGARSS.2014.6946782 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=83401 Documents numériques
peut être téléchargé
Agricultural field delimitation - posterAdobe Acrobat PDF
